Documentos de Académico
Documentos de Profesional
Documentos de Cultura
T Teoría de Cópulas PDF
T Teoría de Cópulas PDF
Madrid, 2007
ISBN: 978-84-669-3132-8
UNIVERSIDAD COMPLUTENSE DE MADRID
TEORÍA DE CÓPULAS
Y
CONTROL DE RIESGO FINANCIERO
Por último, me gustarı́a mencionar a Benito, Alberto y Pablo, sin cuyo apoyo
y cariño no hubiera sido posible concluir este trabajo.
Indice
Introducción 1
Bibliografı́a 175
Introducción
2%. De forma sencilla y en este contexto, una cartera puede considerarse como
la combinación lineal de un conjunto de precios de activos individuales. Si la
composición de la cartera se mantiene fija, es posible evaluar el riesgo mediante
alguna técnica univariante (por ejemplo, mediante Teorı́a de Valores Extremos),
tratando simplemente el precio de la cartera como variable de interés. Sin em-
bargo, lo habitual es diseñar la cartera de forma que se maximice el rendimiento
esperado sujeto a alguna restricción sobre el VaR de la misma. Para resolver
un problema de esta naturaleza, en el que es necesario determinar los pesos de
los diferentes activos, resulta esencial considerar la distribución conjunta de los
precios. Las técnicas convencionales aplicadas en el cálculo del VaR se basan
en la hipótesis de normalidad multivariante para la distribución conjunta de los
retornos, pero esta hipótesis es cuestionable en la mayorı́a de los casos dado que,
como ya hemos comentado, tratamos con series con colas más pesadas que las que
proporcionarı́a la situación de normalidad, lo que complica la determinación de
las probabilidades en las colas. Concretamente, en el caso de la dependencia entre
mercados financieros, los trabajos de Ang y Chen (2002), Login y Solnik (2001)
y Ang y Bekaert (2002), ponen en evidencia la hipótesis de normalidad aplicada
a observaciones procedentes de mercados tanto domésticos como internacionales.
los cuantiles de la distribución conjunta. Las funciones cópulas tienen una larga
historia en Teorı́a de la Probabilidad aunque han sido estudiadas bajo diferentes
nombres: t-normas, funciones de dependencia, operadores de Markov o medidas
doblemente estocásticas. Para una introducción a la Teorı́a de cópulas pueden
consultarse los textos de Joe (1997) y Nelsen (1999), o el trabajo de Frees y
Valdez (1998). La idea de una función que caracterice la estructura de depen-
dencia entre diferentes variables aleatorias proviene de los trabajos de Hoeffding
(1940, 1948), aunque fue Sklar (1959) quién definió y estableció la denominación
de cópula para una función que obtiene la distribución multivariante como función
de las distribuciones marginales univariantes. Sin embargo, su aplicación en el
marco financiero es muy reciente: la primera idea aparece en torno al estudio de
las limitaciones del coeficiente de correlación lineal como medida de dependencia
(Embretchs, McNeil y Straumann, 1999). El texto de Cherubini, Luciano y Vec-
chiato (2004) resulta bastante interesante en cuanto a aplicaciones en el campo
financiero y actuarial y el trabajo de Embretchs, Lindskog y McNeil (2001) cons-
tituye un buen resumen desde el punto de vista teórico.
Objetivos y Resultados
Esta tesis tiene un doble objetivo. En primer lugar, introduce modelos tanto
estáticos como dinámicos basados en funciones cópulas, capaces de capturar ras-
gos relevantes de series financieras bivariantes, con el fin de ser útiles en el control
y valoración de riesgos potenciales de mercados financieros. En segundo lugar,
analiza el comportamiento conjunto de dos mercados consolidados: el americano,
representado por el ı́ndice Dow Jones, y el europeo, a través del ı́ndice Ibex35,
razón por la cual, la teorı́a y la práctica van de la mano a lo largo de los diferentes
desarrollos.
análisis de la serie bivariante formada por los retornos logarı́tmicos diarios de los
ı́ndices financieros Dow Jones e Ibex35. En esta implementación práctica, parti-
mos de algunos de los modelos estáticos planteados inicialmente como candidatos
al ajuste, para crear dos modelos alternativos de cópulas que operan de una ma-
nera más eficiente, y que se obtienen como combinaciones lineales convexas de
los primeros. Estos modelos están identificados por un parámetro de dependen-
cia tridimensional, cuya estimación se realiza por el método de máxima pseudo-
verosimilitud antes indicado. Para ellos se obtiene, como resultado teórico, la
relación funcional entre los coeficientes de dependencia en colas y los parámetros
de dependencia. Esta situación ilustra de forma evidente la realimentación exis-
tente entre teorı́a y práctica, presente a lo largo de esta tesis, puesto que estos
nuevos modelos de tipo mixto adquieren un carácter relevante en los desarro-
llos teóricos de capı́tulos posteriores, dado que capturan una amplia variedad
de situaciones reales de dependencia bivariante. El capı́tulo, contemplado en
su totalidad, constituye una propuesta metodológica de inferencia para cópulas
bivariantes estáticas.
Esta tesis finaliza con un último capı́tulo, en el que se resumen las conclusiones
más importantes de nuestro trabajo, ası́ como las cuestiones abiertas que puedan
considerarse como puntos de partida para futuras investigaciones.
Es nuestro deseo que este trabajo constituya un resultado útil, tanto desde el
punto de vista teórico como práctico, y pueda ser considerado como una modesta
aportación dentro del conjunto de metodologı́as estadı́sticas orientadas al control
cuantitativo del riesgo operacional, inherente a los mercados financieros.
1
Definición 1.1
Llamamos H-volumen de B a
X
VH (B) = sign(c)H(c)
2 Teorı́a de Cópulas y Control de Riesgo Financiero
Definición 1.2
Una función real H de n variables es n-creciente si VH (B) ≥ 0 ∀B cuyos
vértices están en el DomH.
Lema 1.1
Sean S1 , ..., Sn subconjuntos no vacı́os de R y sea H la definida anterior-
mente, n-creciente y verificando la propiedad 1.1. con DomH = S1 × ... × Sn .
Entonces H es creciente en cada argumento, es decir, si (t1 , ..., tk−1 , x, tk+1 , ...tn )
y (t1 , ..., tk−1 , y, tk+1 , ...tn ) están en DomH y x ≤ y, entonces
H(t1 , ..., tk−1 , x, tk+1 , ...tn ) ≤ H(t1 , ..., tk−1 , y, tk+1 , ...tn )
Lema 1.2
Sean S1 , ..., Sn subconjuntos no vacı́os de R y sea H la definida anteriormente,
n-creciente y verificando la propiedad 1.1., con marginales y DomH = S1 × ... ×
Sn , entonces si x = (x1 , ...xn ) e y = (y1 , ...yn ) son puntos en el DomH se verifica
que
X n
|H(x) − H(y)| ≤ |Hk (x) − Hk (y)|
k=1
Definición 1.3
n
Una función de distribución n-dimensional es una función H con dominio R
tal que H es n-creciente, verifica la propiedad 1.1. y H(∞, ..., ∞) = 1.
Del Lema 1.1 se sigue que las marginales de una función de distribución n-
dimensional son funciones de distribución que denotaremos F1 , ..., Fn .
Definición 1.4
Una Cópula n-dimensional es una función C con dominio [0, 1]n tal que:
Puesto que las cópulas son funciones de distribución conjuntas (sobre [0, 1]n ),
una cópula C induce una medida de probabilidad sobre [0, 1]n a través de
Teorema 1.1
Sea C una cópula n-dimensional. Entonces para cada u, v∈ [0, 1]n
n
X
|C(v) − C(u)| ≤ |vk − uk |
k=1
Si F1 , ..., Fn son todas continuas, entonces C es única, por tanto, está unı́vocamente
determinada sobre RanF1 × ... × RanFn .
De acuerdo con este resultado, cuando escribimos por ejemplo para el caso
Cópulas y Variables Aleatorias 5
bidimensional:
F (x, y) = C(F1 (x), F2 (y))
Definición 1.5
Sea F una función de distribución univariante. Llamamos inversa genera-
lizada de F a
Corolario 1.1
Sea H una función distribución n-dimensional con marginales continuas F1 , ..., Fn
y cópula C ( C satisface (1.1)). Entonces para cualquier u∈ [0, 1]n
Teorema 1.3
(Desigualdad de las cotas de Fréchet-Hoeffding)
contrario, si la cópula que las liga es la cota inferior de Fréchet, W 2 , se dice que
son contramonotónicas.
Independencia Máxima
0.8
0.8
0.6
0.6
Density Density
0.4
0.4
0.2
0.2
0.8
0.8
0.8
0.8
0.6
0.6
0.6
0.6
0.4
0.4
0.4
y 0.4 y
x 0.2 x
0.2 0.2
0.2
Mínima
0.8
0.6
Density
0.4
0.2
0.8
0.8
0.6
0.6
0.4
0.4
y
0.2 x
0.2
Teorema 1.4
Para cualquier n > 2 y u ∈ [0, 1]n , existe una n-cópula C (que depende de u)
tal que
C(u) = W n (u)
Definición 1.6
Sean C1 y C2 cópulas. Decimos que C1 es más pequeña que C2 (o C2 más
grande que C1 ) y lo denotamos
C1 ≺ C2 (C2 Â C1 )
si
C1 (u, v) ≤ C2 (u, v) (o C2 (u, v) ≥ C1 (u, v)) ∀(u, v) ∈ [0, 1]2
El orden ası́ definido es solamente parcial, puesto que no todas las cópulas
pueden compararse a través de él. Por ejemplo, si consideramos
1 2
C= W+ M
3 3
por lo que el gráfico de C permanece entre los gráficos de las cotas de Fréchet-
Hoeffding, es decir, las superficies z = W (u, v) y z = M (u, v).
También se verifica
n que para cualquier cópula Co y un k ∈ [0, 1] dado, el gráfico
de la curva de nivel (u, v) ∈ [0, 1]2 : C(u, v) = k debe permanecer dentro del
triángulo determinado por W (u, v) = k y M (u, v) = k.
10 Teorı́a de Cópulas y Control de Riesgo Financiero
2 0.005 2
0.9
0.010
0.8
0.0200.015
0.0300.025 0.7
0.035
0.040 0.6
y
y
0 0 0.5
0.4
0.3
0.2
0.1
-2 -2
-5 0 5 10 -5 0 5 10
x x
0.04
0.03
Density
0.02
0.01
2 10
0 5
-1
y 0
-2
x
-3
-5
Teorema 1.5
Sea (X1 , ..., Xn )T un vector de v.a. continuas con cópula C. Entonces X1 , ..., Xn
son independientes sii C = Πn .
Una buena propiedad de las cópulas es que son invariantes bajo transfor-
maciones estrictamente monótonas de las variables aleatorias, o en su caso se
transforman de manera sencilla. Obsérvese que si la función de distribución de
una v.a. X es continua y α es una función estrictamente monótona cuyo dominio
contiene el RanX, entonces la función de distribución de la v.a. α(X) también
es continua.
Proposición 1.1
Sea (X1 , ..., Xn )T un vector de v.a. continuas con cópula C. Si α1 , ..., αn
son estrictamente crecientes sobre RanX1 , ..., RanXn , respectivamente, entonces
(α1 (X1 ), ..., αn (Xn ))T también tiene cópula C.
Dem:
Por tanto
£ ¤
C(u1 , ..., un ) = P X1 ≤ F1−1 (u1 ), ..., Xn ≤ Fn−1 (un )
£ ¤
= P α1 (X1 ) ≤ α1 ◦ F1−1 (u1 ), ..., αn (Xn ) ≤ αn ◦ Fn−1 (un )
h i
= P α1 (X1 ) ≤ Fe1−1 (u1 ), ..., αn (Xn ) ≤ Fen−1 (un )
Proposición 1.2
X e Y v.a. son comonotónicas sii
Dem:
por tanto
¤
Cópulas y Variables Aleatorias 13
Proposición 1.3
X e Y v.a. son contramonotónicas sii
Demostración:
Sea U ∼ U (0, 1)
(X, Y ) =d (F1−1 (u), F2−1 (1 − u)) = (X, Y ) =d (F1−1 (u), F2−1 ◦ g(u))
Para el inverso
(X, Y ) = (u(z), v(z))
Definimos
© ª
A = Z ∈ u−1 ((−∞, x])
© ª
B = Z ∈ v −1 ((−∞, y])
y, por tanto
Si A ∩ B = ∅, entonces
F1 (x) + F2 (y) − 1 = 0
14 Teorı́a de Cópulas y Control de Riesgo Financiero
En cualquier caso
Teorema 1.6
Sea C una cópula n-dimensional. Las derivadas parciales de orden k de C,
∂k n
∂u1 ...∂uk C(u), existen para casi todo u ∈ [0, 1] .
∂k
Análogamente, para cada u ∈ [0, 1]n 0≤ ∂u1 ...∂uk C(u) ≤ 1.
con
Z u1 Z un
∂n
AC (u1 , ..., un ) = ... C(s1 , ..., sn )ds1 , ..., dsn
0 0 ∂s1 ...∂sn
SC (u1 , ..., un ) = C(u1 , ..., un ) − AC (u1 , ..., un )
∂n
c(u1 , ..., un ) = C(u1 , ..., un )
∂u1 ...∂un
Cópulas y Variables Aleatorias 15
que por el teorema 1.1 sabemos que existe en el interior de [0, 1]n y es no negativa.
∂n
C(u1 , ..., un ) = 0 c.s. en [0, 1]n
∂u1 ...∂un
C = AC + SC
∂2
∀(u, v) ∈ [0, 1]2 W (u, v) = 0
∂u∂v
luego
Z uZ v
∂2
AC = W (u, v)dudt = 0 6= W
0 0 ∂u∂v
cuyas marginales son H(x, −∞) y H(−∞, y), que son las funciones de super-
vivencia univariantes F 1 y F 2 .
Cópulas y Variables Aleatorias 17
a partir de lo cual, podemos definir una función C : [0, 1]2 → [0, 1] tal que
C(u, v) = u + v − 1 + C(1 − u, 1 − v)
en el caso bidimensional
b v) = 1 − u − v + C(u, v) = C(1 − u, 1 − v)
C(u,
1 − u − v + C(u, v) C(1 − u, 1 − v)
P (U1 > uÁU2 > v) = =
1−v 1−v
y, por tanto ¡ ¢
C F 1 (x), F 2 (y)
P (X > xÁY > y) =
F 2 (y)
18 Teorı́a de Cópulas y Control de Riesgo Financiero
que existe c.s. y es tal que c(u, v) = c(1 − u, 1 − v). Esto está relacionado con
la densidad de la distribución de supervivencia F , de la siguiente manera:
ası́ que
c(F1 (x), F2 (y)) = c(1 − F1 (x), 1 − F2 (y))
A partir de lo anterior
y para el mı́nimo:
3.−1 ≤ ∂(X, Y ) ≤ 1
1 P
n
n (xi − x)(yi − y)
i=1
ρ=
σX σY
V aR(αT F ) = αT Cov(F )α
Alguno de los inconvenientes más notables que presenta son los siguientes:
2 y σ 2 deben ser finitas para que ρ esté definida.
• σX Y
Sean (X1 , Y1 ) y (X2 , Y2 ) dos vectores aleatorios iid con funciones de dis-
tribución conjuntas H1 y H2 y posibles cópulas C1 y C2 ,
Nelsen (1999) demuestra que puede expresarse en términos de las cópulas como:
Z Z
τC = 4 C2 (u, v)dC1 (u, v) − 1
I2
• Rho de Spearman
P
n
(Ri − R)(Si − S)
i=1
ρS = s s
P
n P
n
(Ri − R)2 (Si − S)2
i=1 i=1
Definición 1.7
Se dice que X e Y v.a. tienen dependencia positiva en cuadrante (PQD) si
P [X ≤ x, Y ≤ y] ≥ P [X ≤ x] P [Y ≤ y] ∀x, y ∈ R
Definición 1.8
Se dice que X e Y v.a están positivamente asociadas (PA) si
Para más detalles sobre tópicos relacionados con el uso del coeficiente de co-
rrelación lineal en el control de riesgos financieros, puede consultarse Embretchs,
McNeil y Straumann (1999).
Cópulas y Variables Aleatorias 23
Definición 1.9
Sea (X, Y )T un vector de v.a. continuas con funciones de distribución mar-
ginales F1 y F2 . El coeficiente de dependencia en la cola superior de (X, Y )T
es
© ª
lı́mu→1− P Y > F2−1 (u)ÁX > F1−1 (u) = λu
Puesto que
© ª
P Y > F2−1 (u)ÁX > F1−1 (u)
© ª © ª © ª
1 − P X ≤ F1−1 (u) − P Y ≤ F2−1 (u) + P X ≤ F1−1 (u), Y ≤ F2−1 (u)
= © ª
1 − P X ≤ F1−1 (u)
Una definición equivalente (para v.a. continuas), que evidencia que el con-
cepto de dependencia en colas es una propiedad de la cópula es la siguiente (Joe
1997, pág.33):
Definición 1.10
Sea C una cópula bivariante tal que lı́mu→1− (1−2u+C(u,u))
(1−u) = λu existe, en-
tonces C tiene dependencia en la cola superior si λu ∈ (0, 1] e independencia en
la cola superior si λu = 0.
24 Teorı́a de Cópulas y Control de Riesgo Financiero
∂
P {V ≤ v/U = u} = C(u, v)
∂u
∂
P {V > v/U = u} = 1 − C(u, v)
∂u
Entonces:
b u)
C(u, d b
λu = lı́mu→1− = −lı́mu→1− C(u, u)
(1 − u) du
µ ∙ ¸ ∙ ¸ ¶
∂ ∂
= −lımu→1− −2 + C(s, t) + C(s, t)
∂s s=t=u ∂t s=t=u
Si lı́mu→0+ C(u,u)
u = λL existe, entonces C tiene dependencia en la cola inferior
si λL ∈ (0, 1] e independencia en la cola inferior si λL = 0.
C(u, u) dC(u, u)
λL = lı́mu→0+ = lımu→0+
u du
= lı́mu→0+ (P {V < u/U = u} + P {U < u/V = u}) (1.4)
Recordemos que :
b − u, 1 − v)
C(u, v) = 1 − u − v + C(u, v) = C(1
por tanto:
b u)
C(u, C(1 − u, 1 − u) C(u, u)
lı́mu→1− = lı́mu→1− = lı́mu→0+
(1 − u) (1 − u) u
Proposición 1.4
Si X e Y tienen funciones de distribución continuas F1 y F2 respectivamente,
entonces
¡ ± ¢
λL = lim P Y ≤ F2−1 (u) X ≤ F1−1 (u)
u→0 +
¡ ± ¢
λU = lim P Y > F2−1 (u) X > F1−1 (u)
u→1−
Definición 1.11
Sea {(xk , yk )}nk=1 una muestra de tamaño n obtenida a partir de una dis-
tribución bivariante. La Cópula empı́rica es la función Cn dada por
µ ¶
i j no de pares (x, y) de la muestra tales que x ≤ x(i) e y ≤ y(j)
Cn , =
n n n
n
1X ¡ ¢
= I xk ≤ x(i) , yk ≤ y(j) i, j = 1...n (1.5)
n
k=1
Definición 1.12
La frecuencia de la cópula empı́rica, cn , viene dada por
µ ¶ (
1
i j n si (x(i) , y(j) ) es un elemento de la muestra
cn , =
n n 0 en otro caso
µ ¶ j
i X
X ³p q ´
i j
Cn , = cn ,
n n p=1 q=1
n n
e inversamente
µ ¶ µ ¶ µ ¶ µ ¶ µ ¶
i j i j i−1 j i j−1 i−1 j −1
cn , = Cn , − Cn , − Cn , + Cn ,
n n n n n n n n n n
n n ∙ µ ¶ ¸
12 X X i j i j
rn = 2 Cn , − .
n −1 n n n n
i=1 j=1
n i−1 j−1 ∙ µ ¶ ³ µ ¶ µ ¶¸
p q´
n
2n X X X X i j i q p j
tn = cn , cn , − cn , cn ,
n−1 p=1 q=1
n n n n n n n n
i=2 j=2
Definición 1.13
Sea X un vector aleatorio n-dimensional, μ ∈ R y Σ una matriz simétrica de
dimensión n × n y definida no negativa. Decimos que X tiene una distribución
elı́ptica de parámetros μ, Σ y φ si dada la función caracterı́stica de X − μ es de
la forma
ϕX−μ (t) = φ(tT Σt)
Definición 1.14
Sea R una matriz simétrica, definida positiva con diagR = 1 y ΦnR la función
de distribución normal n-variante estandarizada. La cópula gaussiana (MVN) se
define como:
¡ ¢
CR (u1 , ..., un ) = ΦnR Φ−1 (u1 ), ..., Φ−1 (un )
µ ¶
1 1 ¡ ¢
cR (u1 , ..., un ) = exp − ς T R−1 − I ς
|R|1/2 2
En el caso bivariante
Existe otra cópula dentro de la familia elı́ptica que reviste interés, es la lla-
mada t-cópula.
Definición 1.15
Sea R una matriz simétrica, definida positiva con diagR = 1 y X el vector
aleatorio definido anteriormente. La cópula de Student multivariante (MVT) se
define como:
t
¡ ¢
Cυ,R (u1 , ..., un ) = tnυ,R t−1 −1
υ (u1 , ..., tυ (un ))
donde
Σij
Rij = p ∀i, j ∈ {1, .., n}
Σii Σjj
√
y tnυ,R denota la función de distribución de √Sυ Y con S ∼ χ2υ e Y ∼ Nn (0, R)
independientes. tυ denota las marginales (iguales) de tnυ,R , es decir, la función
√
de distribución de √ υ Y1.
S
30 Teorı́a de Cópulas y Control de Riesgo Financiero
³√ p p ´
λu = 2lımx→∞ P (X2 > x/X1 = x) = 2tυ+1 υ + 1 1 − R12 / 1 + R12
Definición 1.16
Se dice que una cópula C es Arquimediana si es de la forma:
⎧
⎨ ϕ−1 (ϕ(u ) + ... + ϕ(u )) si P ϕ(u ) ≤ ϕ(0)
n
1 n i
C(u1 , ..., un ) = i=1
⎩
0 en otro caso
(ii) C es asociativa, es decir, C(C(u, v), w) = C(u, C(v, w)) ∀u, v, w ∈ [0, 1].
Teorema 1.7
Sea ϕ un generador estricto tal que ϕ−1 pertenece a la clase de transformadas
de Laplace de variables aleatorias estrictamente positivas. Si ϕ−10 (0) es finita,
entonces C(u, v) = ϕ−1 (ϕ(u) + ϕ(v)) no tiene dependencia en la cola superior.
Si C tiene dependencia en la cola superior, entonces ϕ−10 (0) = −∞ y el coeficiente
de dependencia en la cola superior viene dado por:
" 0
#
ϕ−1 (2s)
λu = 2 − 2lı́ms→0+
ϕ−10 (s)
Los dos resultados siguientes resultan necesarios para la aplicación del método
de calibración de cópulas basado en medidas de dependencia muestrales propuesto
en el punto 3.11.
32 Teorı́a de Cópulas y Control de Riesgo Financiero
Teorema 1.8
Sea una cópula arquimediana con generador ϕ en Ω. Sea KC (t) la C-medida
del conjunto
n o
(u, v) ∈ [0, 1]2 : C(u, v) ≤ t
ϕ(t)
KC (t) = t −
ϕ0 (t+ )
Proposición 1.5
Sean U y V v.a. cuya función de distribución conjunta es la cópula arquime-
diana C generada por ϕ en Ω. Entonces la función dada por el Teorema 1.8 es
la función de distribución de la v.a. C(u, v).
Familia Gumbel
µ h i1/θ ¶
−1 θ θ
Cθ (u, v) = ϕ (ϕ(u) + ϕ(v)) = exp − (− ln u) + (− ln v)
(1.6)
con función de densidad
h i1
θ
cθ (u, v) = (− ln u)θ−1 −1 + θ + (− ln u)θ + (− ln v)θ
h i( 1 −2)
(− ln v)(θ−1)
θ
(− ln u)θ + (− ln v)θ
Á h i1/θ
exp (− ln u)θ + (− ln v)θ uv
Familia Clayton
(t−θ −1)
Sea ϕ(t) = θ , θ ∈ [−1, ∞)\ {0}.
£ ¤
λL = 2 lim ϕ−10 (2s)/ϕ−10 (s)
s→∞
" 1 #
(1 + 2θs)− θ −1
= 2 lim 1
s→∞
(1 + θs)− θ −1
− 1 −1 1
= 2.2 θ
= 2− θ
La expresión de la tau de Kendall es:
Z 1 θ+1 µ ¶
t −t 4 1 1 θ
τθ = 1 + 4 dt = 1 + − =
0 θ θ θ+2 2 θ+2
además, C−1 = W, lı́mθ→0 Cθ = Π y lı́mθ→∞ Cθ = M .
Familia de Frank
−θt
Sea ϕ(t) = − ln ee−θ −1
−1
, θ ∈ (−∞, +∞) \ {0}.
Además:
lı́mθ→∞ Cθ = M
lı́mθ→−∞ Cθ = W
lı́mθ→0 Cθ = Π
Los miembros de esta familia son las únicas cópulas arquimedianas que sa-
tisfacen C(u, v) = C(u, v) (simetrı́a radial), por lo tanto representan patrones de
dependencia simétrica (la dependencia es la misma entre retornos positivos que
entre retornos negativos).
Como
1 ³ ³ ´ ´
ϕ−1 (s) = − ln 1 − 1 − e−θ e−s
θ
y
1
¡ ¢
−θ e−s
− 1 − e
ϕ−10 (s) = θ
1 − (1 − e−θ ) e−s
θ
y si ϕ−10 (0) = − e θ−1 es finita , la familia de Frank no tiene dependencia en la
cola superior y, además, debido a la simetrı́a radial (C = C) tampoco existirı́a
dependencia en la cola inferior.
(1 − D1 (θ))
τθ = 1 − 4
θ
k
Rx tk
con Dk (x) = xk 0 et −1 dt (función de Debye) para cualquier entero positivo.
36 Teorı́a de Cópulas y Control de Riesgo Financiero
Definición 1.17
Se dice que una cópula C es de valores extremos (EV) si satisface la siguiente
relación
C(ut1 , ..., utn ) = C t (u1 , ..., un ) ∀t > 0
Si nos preguntamos por la relación existente entre las cópulas de valores ex-
tremos y la teorı́a de extremos multivariantes, la respuesta es la siguiente:
+ = máx (X
Sea Xn,m n,1 , ..., Xn,k , ..., Xn,m ) con {Xn,k } k v.a. iid.
En el caso de la cópula de Gumbel, con una forma sencilla que permite generar
muestras aleatorias fácilmente, la función de dependencia es:
Denotamos por F1 (x) y F2 (y) las distribuciones marginales de H(x, y), que
supondremos continuas. Entonces, por el Teorema de Sklar, existe una única
cópula C, asociada a la distribución conjunta H, tal que
Definición 2.1
Sean n observaciones x1 , ..., xn iid. La función de distribución empı́rica
de la muestra ∀x ∈ R viene dada por
n
1X
Fn (x) = I(−∞,x] (xi )
n
i=1
Definición 2.2
Sean a, b ∈ R tales que a ≤ mı́n(x1 , ..., xn ) ≤ máx(x1 , ..., xn ) ≤ b.
Proposición 2.1
Sea X una v.a. con función de distribución F . Sea F −1 la función cuantı́lica
de F
F −1 (α) = inf{x/F (x) ≥ α}
Entonces
42 Teorı́a de Cópulas y Control de Riesgo Financiero
Definimos
con lo que (ui )i=1...n y (vi )i=1...n se distribuyen aproximadamente como uniformes
estándar. Podemos, entonces, calcular la cópula empı́rica de (u1 , v1 )...(un , vn ).
La cópula empı́rica ası́ determinada será muy útil empleada como herramienta
en el análisis exploratorio de los datos, ya que podemos utilizarla para los si-
guientes cometidos:
W ≤ Cemp ≤ M
1 − 2α + C(α, α)
λu = lı́mα→1−
1−α
Si nos decidimos por una cópula perteneciente a esta última familia, es posi-
ble utilizar una idea apuntada por Genest y McKey (1986), con el fin de elegir
la mejor cópula. Es un método simple basado en medidas de dependencia mues-
trales, que puede considerarse como una adaptación no paramétrica del conocido
método de los momentos: a partir de la relación explı́cita entre el parámetro θ de
la cópula y la τ de Kendall se infiere una estimación para θ. Este método permite
también contrastar para diferentes cópulas arquimedianas cuál de ellas representa
mejor la estructura de dependencia comparándolas con la cópula empı́rica. Para
ello utilizaremos el algoritmo elaborado por Genest y Rivest (1993) que propone
determinar dos estimaciones para la función de distribución K de una cópula
arquimediana desconocida C: una de ellas de naturaleza no paramétrica, por
tanto independiente de las marginales y del parámetro de la cópula, y otra de
tipo paramétrico KC (t), vista en el Teorema 1.8. De esta forma, para la esti-
mación paramétrica necesitamos el parámetro θ estimado previamente. Aunque
la estimación paramétrica puede utilizarse directamente para construir la cópula
arquimediana bivariante, resulta más conveniente proponer diferentes elecciones
de cópulas arquimedianas y seleccionar a través de la estimación de θ aquella
cuya estimación paramétrica esté más próxima a la estimación no paramétrica.
Sea (X1 , Y1 )...(Xn , Yn ) una muestra aleatoria con función de distribución bi-
variante H(X, Y ), distribuciones marginales F1 (X) y F2 (Y ) y cópula arquime-
diana C(U, V ) con U = F1 (X) y V = F2 (Y ) variables aleatorias distribuidas
U (0, 1).
Ajuste de Cópulas a Series Financieras Bivariantes 45
b
para ello, definimos la v.a. W = H(X, b la estimación empı́rica de la
Y ), con H
distribución bivariante H.
Con esta notación Iij + Iji puede tomar los valores 0, 1 y 2, pero valdrá 1 si
y sólo si las observaciones i y j son concordantes. Entonces
Pn
j=1 Iij
Wi =
n−1
por lo que el número de pares concordantes c se obtiene como
Pn n n n
j=1 Iij
X X X
Wi = ⇐⇒ Iij = (n − 1)Wi ⇒ Iij = (n − 1) Wi
n−1
j=1 i,j=1 i=1
Entonces Z Z
W = Cn (u, v)dCn (u, v)
[0,1]2
Por aplicación del Teorema de Slutsky (también conocido como método Delta)
se obtiene que, cuando n → ∞:
µ ¶
b 1¡ 0
¢2
θn ≈ N θ, 4Sh (τn )
n
n
X µ µ ¶¶
Ri Si
l(θ) = log cθ ,
n+1 n+1
i=1
Ajuste de Cópulas a Series Financieras Bivariantes 49
expresión que se obtiene sin más que sustituir las marginales desconocidas F1 y F2
en la verosimilitud clásica por sus contrapartidas empı́ricas F1emp (x) y F2emp (y).
2
∂
con c(u, v) = ∂u∂v C(u, v) función de densidad de la cópula C, la ecuación de
verosimilitud será
L(θ; u, v) = Πni=1 c(ui , vi )
con ui = F1emp (xi ) y vi = F2emp (yi ) y la estimación de θ se determina en la forma
usual como:
n
X
θb = arg máxθ∈Θ log L(θ; ui , vi ) (2.4)
i=1
Proposición 2.3
Bajo condiciones de regularidad adecuadas, el estimador θb obtenido a partir
de (2.4) es consistente y n1/2 (θb − θ) es asintóticamente normal con varianza
ν 2 = σ 2 /β 2 , donde ν 2 depende exclusivamente de la cópula verdadera Cθ .
con
n
1 X¡ ¢2
bn2
σ = Ai − A
n
i=1
n
1 X¡ ¢2
βbn2 = Bi − B
n
i=1
Si reordenamos (Xi , Yi )i=1...n de forma que X1 < ... < Xn (es decir, R1 =
1, ..., Rn = n) y utilizamos la siguiente notación
νbn
θbn ± z α2 √
n
Ajuste de Cópulas a Series Financieras Bivariantes 51
ϕ(t)
Kc (t) = t − = P [C(U, V ) ≤ t] (2.6)
ϕ0 (t+ )
Definición 2.3
El criterio de información de Akaike se define como
Muestra Bivariante
(X,Y)
Obtención de
F1emp(x) y F2emp(y)
U=F1emp(x)
V=F2emp(y)
Obtención de la
Cópula Empírica
Cemp(u,v)
Elección de la familia
Análisis Exploratorio paramétrica para el ajuste
Determinación Determinación
de θ de θ
por CLM por Genest y Rivest
GOF
AIC Kolmogorov-Smirnov
(ii) sustitución del mismo por la media xT (con el fin de conservar la tenden-
cia), siendo T el número total de observaciones de la serie.
(iii) obtención del valor final a utilizar en ese periodo a través de una media
móvil asimétrica de cuatro puntos, calculada como:
xt−2 + xt−1 + xT + xt+1
xt =
4
11000
4000 6000 8000 Serie DowJones
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Serie Ibex35
11000
7000
3000
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
en un periodo t a
Rt = log (Pt /Pt−1 )
donde Pt y Pt−1 son los valores al cierre del ı́ndice correspondiente en los periodos
t y t − 1, respectivamente. La representación de las series de retornos resultantes
se muestra en la figura 2.3.
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006
Estadı́stico JB p-valor
DowJones 2619.619 0
Ibex35 1271.999 0
1200
0.06
0.02
200 400 600 800
-0.02
-0.06
0
x
40
0.06
30
Cuantiles empíricos
0.02
20
-0.02
10
-0.06
0
0.05
200 400 600 800
0.0
-0.05
0
0.05
25
Cuantiles empíricos
20
0.0
15
10
-0.05
5
0
para ninguna de las dos series. Se puede consultar una simulación del algoritmo
para obtener la distribución del estadı́stico del contraste KPSS en Zivot y Wang
(2003, página 124). Por otra parte, podemos valorar la dependencia temporal
inspeccionando los correspondientes correlogramas representados en la figura 2.6.
0.04
1.0
0.0 0.02
0.8
Partial ACF
0.4 0.6
ACF
0.2
-0.04
0.0
0 10 20 30 0 10 20 30
Lag Lag
0.02
Partial ACF
0.4 0.6
ACF
0.0
0.2
-0.04
0.0
0 10 20 30 0 10 20 30
Lag Lag
1.0
0.8
0.8
0.6
0.6
ACF
ACF
0.4
0.4
0.2
0.2
0.0
0.0
0 10 20 30 0 10 20 30
Lag Lag
0.9
0.04
0.8
0.7
0.02
0.6
Retornos Ibex35
0.0
0.5
v
-0.02
0.4
0.3
-0.04
0.2
-0.06
0.1
-0.08
0.0
-0.06 -0.02 0.0 0.02 0.04 0.06 0.0 0.2 0.4 0.6 0.8 1.0
Retornos DowJones u
1.6
0.8
1.4
1.2 0.6
0.6
0.2
0.4
0.8 0.8
0.8 0.8
0.6 0.6
0.6 0.6
0.4 0.4
0.4 0.4
y y
0.2 x 0.2 x
0.2 0.2
0.8
0.8
0.6
0.6
y
1.2
V
0.4
0.4
0.2
0.2
1.6
1.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.8
0.6
0.4
0.2
0.0
1.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
0.8
0.6
V
0.4
0.2
0.0
ρb rbs τb
0.4103 0.3593 0.2515
1 − 2α + Cemp (α, α)
(1 − α)
Cemp (α, α)
α
para valores decrecientes de α hacia cero en el caso de la cola inferior.
alpha
alpha
Para nuestras tres familias esta expresión se concreta en las siguientes igual-
dades:
θ
Clayton τ = θ+2 τ ∈ [−1, 1] r {0}
Frank τ = 1 − 4θ [D1 (−θ) − 1] τ ∈ [−1, 1] r {0}
Gumbel τ = 1 − θ−1 τ ∈ [0, 1]
1
Rθ t
con D1 (θ) = θ 0 et −1 dt (integral de Debye) y D1 (−θ) = D1 (θ) + θ2 .
La estimación del parámetro θ se efectúa ahora para todos los modelos con-
siderados, incluyendo la familia gaussiana, y viene dada por la ecuación (2.4).
Los valores proporcionados para θ por la estimación de máxima verosimilitud
canónica son:
θb Err.St IC0.95 (θ)
Clayton 0.5422 0.0267 [0.4899; 0.5945]
Frank 2.4666 0.0203 [2.3766; 2.5063]
Gumbel 1.3354 0.0312 [1.2743; 1.3965]
Gaussiana 0.3925 0.0193 [0.3547; 0.4303]
Tabla 2.3: Estimaciones de θ por el procedimiento CML para los cuatro modelos
considerados junto con sus intervalos de confianza al 95%
Familia de Cópulas τ rs λl λu
Gumbel 0.2515 0.3657 0 0.3199
Clayton 0.2515 0.3675 0.3565 0
Frank 0.2469 0.3462 0 0
Cópula empı́rica 0.2515 0.3593 - -
Familia de Cópulas τ rs λL λU
Gumbel 0.2511 0.3652 0 0.3195
Gaussiana 0.2567 0.3925 0 0
Clayton 0.2133 0.3138 0.2784 0
Frank 0.2589 0.3812 0 0
Cópula empı́rica 0.2515 0.3593 - -
ϕ(t)
Kc (t) = t −
ϕ0 (t+ )
1.0
0.8
0.8
0.6
0.6
U(0,1)
U(0,1)
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Kc[C(Femp1,Femp2)] Kc[C(Femp1,Femp2)]
0.4
0.2
0.0
Kc[C(Femp1,Femp2)]
Figura 2.12: Comparación KC (Cθe(F1emp (x), F2emp (y))) con U (0, 1) (Genest y
Rivest)
La figura 2.12 muestra los QQ-plots que enfrentan las diferentes estimaciones
realizadas mediante el procedimiento de Genest y Rivest a la U (0, 1). Se aprecia
como la cópula de Frank resulta la peor elección, mientras que las estimaciones
obtenidas para las familias Gumbel y Clayton parecen buenas candidatas para el
ajuste del modelo uniparamétrico.
1.0
0.8
0.8
0.6
0.6
U(0,1)
U(0,1)
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Kc[C(Femp1,Femp2)] Kc[C(Femp1,Femp2)]
0.4
0.2
0.0
Kc[C(Femp1,Femp2)]
Figura 2.13: Comparación KC (Cθe(F1emp (x), F2emp (y))) con U (0, 1) (CML)
1.0
0.8
0.8
F.d. empírica
F.d. empírica
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Kc[Femp1,Femp2] Kc[Femp1,Femp2]
0.6
0.4
0.2
0.0
Kc[Femp1,Femp2]
1.0
0.8
0.8
F.d. empírica
F.d. empírica
0.6
0.6
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Kc[Femp1,Femp2] Kc[Femp1,Femp2]
0.6
0.4
0.2
0.0
Kc[Femp1,Femp2]
Proposición 2.4
CMod1 (u, v; θ) y CMod2 (u, v; θ0 ) son cópulas.
Demostración:
Es inmediata a partir de la definición 1.4 y del hecho de que CGu y CCl son
cópulas.
Los modelos ası́ construidos vuelven a ser cópulas y, por tanto, disfrutan de
todas las propiedades de las mismas. Los parámetros θ1 y θ2 (θ10 y θ20 ) admi-
nistran el grado de dependencia en la cola superior e inferior, respectivamente, y
el parámetro θ3 (θ30 ) asigna el peso del primer elemento de la combinación lineal
convexa y fija la estructura conjunta.
Proposición 2.5
Existen los coeficientes de dependencia en ambas colas (superior e inferior)
para CMod1 (u, v; θ) y CMod2 (u, v; θ0 ), y sus expresiones son, para CMod1 (u, v; θ):
λL,1 = (1 − θ3 )(2 − 21/θ2 )
λU,1 = θ3 (2 − 21/θ1 )
y para CMod2 (u, v; θ0 ):
0
λL,2 = (1 − θ30 )2−1/θ2
0
λU,2 = θ30 (2 − 21/θ1 )
Demostración:
⎡ 1 ⎤ ⎡ 1 ⎤
u2 θ1 2u − 1 + (1 − u)2 θ2
= θ3 lim ⎣ ⎦ + (1 − θ3 ) lim ⎣ ⎦
u→0+ u u→0+ u
∙ 1 ¸
1
2 θ2 −1
= (1 − θ3 ) lim 2 − 2 (1 − u)
θ 2
u→0+
= (1 − θ3 )(2 − 21/θ2 )
76 Teorı́a de Cópulas y Control de Riesgo Financiero
1 ⎞ ⎛ ⎡ 1 ⎤
µ ¶ 2 θ1 2 θ2
1 − 2u u 2u − 1 + (1 − u)
= lim + θ3 lim ⎝ ⎠ + (1 − θ3 ) lim ⎣ ⎦
u→1− 1−u u→1− 1−u u→1− 1−u
1 ∙ 1 ¸
1 θ 1 θ
= 2 − θ3 lim 2 θ1 u2 1 −1 + (1 − θ3 ) lim − 2 − 2 θ2 (1 − u)2 2 −1
u→1− u→1−
1
= 2 − θ3 2 − 2(1 − θ3 )
θ1
³ 1 ´
= θ3 2 − 2 θ1
⎛ 1
⎞⎡³ ´− 10 ⎤
θ 0
2u−θ20 − 1 θ2
0 ⎜ ⎟ u2 1
0 ⎢ ⎥
= θ3 lim ⎝ ⎠ + (1 − θ3 ) lim+ ⎣ ⎦
u→0+ u u→0 u
⎛ 1
⎞ ⎡³ ´− 10 ⎤
µ ¶ 0
θ
2u−θ20 − 1 θ2
1 − 2u 0 ⎜ ⎟ u2 1
0 ⎢ ⎥
= lim + θ3 lim ⎝ ⎠ + (1 − θ3 ) lim− ⎣ ⎦
u→1− 1−u u→1− 1−u u→1 1−u
" 1
#
1 0
0 2 θ1
= 2 + θ30 lim −2 u θ1 −1
+
u→1−
µ ¶
1 ³ −θ20 ´− 10 −1 ¡ ¢ 0
+(1 − θ30 ) lim (−1) − 0 2 −θ20 u−θ2 −1
θ2
2u −1
u→1− θ2
1
0 1 ¡ ¢ 1
0
= 2 − θ30 2 θ1 + (1 − θ30 ) 0 2 −θ20 = 2 − θ30 2 θ1 − 2(1 − θ30 )
θ2
µ 1
¶
0
= θ30 2 − 2 θ1
Tabla 2.7: Ordenación de todos los modelos estimados mediante CML según AIC
0.8
0.6
y
0.4
0.2
98 7651.5
10
11
12
13 43 2 1 1.0 0.5
0.0
Filtrado de la Dependencia
Temporal Marginal
Los métodos basados en EVT (Embretchs y otros, 1997) tienen dos carac-
terı́sticas que los hacen atractivos para la estimación de las colas: están basados
en una teorı́a estadı́stica sólida y proporcionan una forma paramétrica para la
cola de la distribución. Por tanto, estos métodos permiten extrapolaciones más
allá del rango de los datos. Sin embargo, ninguno de los métodos basados en EVT
para estimación de cuantiles proporciona estimaciones VaR que reflejen la histo-
ria de la volatilidad actual. Dada la heterocedasticidad condicionada presente en
la mayorı́a de las series financieras, bien documentada por el considerable éxito
de los modelos de la familia ARCH-GARCH, creemos que esta será una mejor
elección para cualquier tipo de estimación del VaR. No obstante, no desechamos
estos métodos sino que serán utilizados en una fase posterior, detallada en el
Filtrado de la Dependencia Temporal Marginal 81
De manera formal, sea (Xt )t∈N una serie temporal estrictamente estacionaria
que representa las observaciones diarias de retornos generadas por precios de
activos financieros.
Xt = μt + σt Zt (3.1)
donde las innovaciones Zt son un proceso estricto de ruido blanco (iid) de media
cero, varianza 1, función de distribución marginal FZ (z) y con μt y σt medibles
respecto a Gt−1 (información sobre el proceso de retornos hasta el instante (t-1)).
Sea FX (x) la distribución marginal de cada Xt y FXt+1 +...+Xt+k /Gt (x) la dis-
tribución predictiva de los retornos de los k dı́as siguientes, suponiendo conocidos
los retornos hasta el dı́a t.
Nuestro interés consiste en estimar cuantiles de las colas de este tipo de dis-
tribuciones, lo cual permitirá determinar las medidas de riesgo financiero usuales,
tales como el VaR o la Pérdida esperada, tal y como se detalla a continuación.
82 Teorı́a de Cópulas y Control de Riesgo Financiero
xq = inf {x ∈ R : FX (x) ≥ q}
Puesto que una medida alternativa de riesgo viene dada por la llamada pérdida
esperada (ES), si consideramos la pérdida esperada no condicionada, tendremos:
Sq = E [X/X > xq ]
Puesto que
µ ¶
x − μt+1
FXt+1 /Gt (x) = P {μt+1 + σt+1 Zt+1 ≤ xÁGt } = FZ
σt+1
1) En primer lugar elegimos un proceso especı́fico entre los que verifican (3.1),
es decir, un modelo particular para la varianza y media condicionadas. Podemos
decantarnos por un tipo GARCH para la varianza y un ARMA, AR o incluso un
valor constante para la media. Procedemos al ajuste del modelo sin establecer
ninguna suposición sobre FZ (z), distribución de las innovaciones.
Hasta hace una década, la mayorı́a de los modelos relativos a series tempo-
rales financieras y macroeconométricas se centraban en los primeros momentos
condicionados, y cualquier dependencia temporal en momentos de orden superior
se trataba como una perturbación. Sin embargo, la importancia creciente del
84 Teorı́a de Cópulas y Control de Riesgo Financiero
Si una variable
µ ¶ aleatoria yt se observa a partir de la función de densidad condi-
yt
cionada f , la predicción de valores actuales basada en la información
yt−1 µ ¶
yt
pasada , bajo suposiciones clásicas, es simplemente E , que depende del
yt−1
valor de la variable
µ ¶que condiciona, yt−1 . La varianza de la predicción en ese
yt
periodo es V . Tal expresión reconoce que la predicción de la varianza
yt−1
condicionada depende de la información pasada y, es más, puede ser una variable
aleatoria.
en introducir una variable exógena xt que predice la varianza. Con media cero
conocida, el modelo será:
yt = εt xt−1
donde, de nuevo V (εt ) = σ 2 y V (yt ) = σ 2 x2t−1 .
1
yt = εt ht2
2
ht = α0 + α1 yt−1
con V (εt−1 ) = 1.
Formalmente:
yt /Gt−1 ∼ N (xt β, ht )
ht = h (εt−1 , εt−2 , ..., εt−p , α) (3.2)
εt = yt − xt β
Xt = μ + t
t = σt Zt (3.3)
ht = α0 + α1 2t−1 + ... + αp 2t−p
donde (Zt )t∈Z es una sucesión de variables aleatorias i.i.d de media cero y varianza
unidad, α0 > 0 y αi ≥ 0 para i = 1, 2, ..., p.
Sean:
p
X q
X
ht = α0 + αi ε2t−i + βi ht−i = α0 + A(L)ε2t + B(L)ht (3.5)
i=1 i=1
por ejemplo, en lugar de ε2t−i en la ecuación (3.5), puede ser más apropiado en
algunas aplicaciones utilizar |εt−i |.
εt = yt − x0t b
Si todas las raı́ces de 1-B(z)=0 están fuera del cı́rculo unidad, (3.5) se puede
escribir como:
Entonces, si B(1)<1, δi será decreciente para i más grande que m = máx{p, q}.
Filtrado de la Dependencia Temporal Marginal 91
con
¡ ¢
νt = ε2t − ht = ηt2 − 1 ht
donde ηt ∼ N (0, 1) i.i.d.
εt /ψt−1 ∼ N (0, ht )
p
X q
X
ht = α0 + αi ε2t−i + βi ht−i = α0 + A(L)ε2t + B(L)ht
i=1 i=1
y supongamos que el proceso tiene momento de cuarto orden finito.
Hay que tener en cuenta que las condiciones para la existencia del momento
de cuarto orden son desconocidas; sin embargo, dado un orden especı́fico del
modelo estas condiciones se pueden obtener. Por ejemplo, la condición necesaria
y suficiente para el proceso GARCH(1,2) obtenida de esta manera es:
Por (3.8) φkk se corta después del retardo q para un proceso ARCH(p):
(
6= 0, k ≤ p
φkk
= 0, k > p
Modelo TGARCH
p
X p
X q
X
ht = α0 + αi ε2t−i + γi St−i 2t−i + βi ht−i
i=1 i=1 i=1
donde
(
1 si εt−i > 0
St−i =
0 si εt−i ≤ 0
esto es, dependiendo de cuando εt−i está por encima o por debajo del umbral
del 0, ε2t−i tiene un efecto diferente sobre la varianza ht : si εt−i es positivo, el
efecto total viene dado por αi ε2t−i , mientras que si εt−i es negativo, el efecto total
viene dado por (αi + γi )ε2t−i . Por tanto, valores positivos de γi producen mayor
influencia de las llamadas malas noticias.
Filtrado de la Dependencia Temporal Marginal 95
Este modelo también es conocido como modelo GJR, debido a que fue pro-
puesto de manera muy similar por Glosten, Jagannathan y Runkle (1993).
Modelo EGARCH
Modelo PGARCH
El modelo GARCH básico se puede tratar como un caso particular del modelo
GARCH potencia (PGARCH) propuesto por Ding, Granger y Engle (1993):
p
X q
X
d/2 d d/2
ht = α0 + αi (|εt−i | + γi εt−i ) + βi ht−i (3.10)
i=1 i=1
Todos los modelos planteados en los puntos anteriores son capaces de recoger
el efecto de apalancamiento financiero, por lo que la elección particular de uno
de ellos implica el uso de un criterio de selección. Podemos emplear de nuevo
el criterio de Akaike (definición 2.3), junto con las llamadas curvas de impacto
de noticias, propuestas por Engle y Ng (1993), que representan gráficamente la
relación funcional entre la varianza condicionada en el instante t y el término de
error en el instante (t − 1), manteniendo constante la información en el instante
(t − 2) y anteriores.
1.0
0.8
0.8
0.4 0.6
0.4 0.6
ACF
ACF
0.2
0.2
0.0
0.0
0 10 20 30 0 10 20 30
Lag Lag
0.15
0.05 0.10
Partial ACF
Partial ACF
0.05
0.0
-0.05
0 10 20 30 0 10 20 30
Lag Lag
A partir de la formulación del modelo ARCH(p) dada por (3.3) y, puesto que
t tiene media cero ∀t, suponiendo que existe el momento de segundo orden de
98 Teorı́a de Cópulas y Control de Riesgo Financiero
Xt
¡ 2¢
V ar( t ) = E t = ht
2 2 2
t = α0 + α1 t−1 + ... + αp t−p + Ut (3.11)
¡ ¢
donde Ut = 2t − E 2t es un ruido blanco de media cero. La ecuación (3.11)
permite afirmar que los residuos al cuadrado de un proceso ARCH(p) siguen
un proceso autorregresivo de orden p. Engle (1982), propone un contraste para
detectar el efecto ARCH basado en la ecuación (3.11):
Los resultados del contraste anterior aplicado a las dos series de retornos
aparecen en la tabla 3.3. La hipótesis nula de ausencia de efecto ARCH es
rechazada en ambos casos.
Retornos LM P-valor
DowJones 340.08 0.0
Ibex35 547.89 0.0
satisface
Xt = μt + t
p1
X q1
X
μt = μ + φi (Xt−1 − μ) + θj t−j (3.12)
i=1 j=1
t = σt Zt
p2
X q2
X
σt2 = α0 + αi 2t−i + 2
βj σt−j
i=1 j=1
b/b
En todos los casos se utiliza el estadı́stico t usual , α σαe , para contrastar
cuando el parámetro correspondiente es cero.
Tabla 3.4: Contraste QLB aplicado a los residuos DowJones en los tres procesos
GARCH ajustados
LM p-valor
μ − P GARCH(1, 1, 1) 7.38 0.87
ARM A(1, 1) − EGARCH(1, 1) 9.784 0.63
μ − T GARCH(1, 1) 8.69 0.75
Tabla 3.5: Contraste LM aplicado a los residuos DowJones en los tres procesos
GARCH ajustados
Tabla 3.6: Ordenación según AIC de los procesos ajustados a los retornos diarios
DowJones con innovaciones gaussianas
102 Teorı́a de Cópulas y Control de Riesgo Financiero
2
Residuos PGARCH
Residuos EGARCH
0
0
-2
-2
-4
-4
-2 0 2 -2 0 2
0
-2
-4
-6
-2 0 2
TGARCH
PGARCH
EGARCH
0.0010
0.0006
0.0002
-6 -4 -2 0 2 4
Figura 3.3: Curvas de impacto de noticias de los tres procesos GARCH ajustados
a la serie de retornos logarı́tmicos diarios DowJones con innovaciones gaussianas
Tabla 3.7: Contraste QLB aplicado a los residuos Ibex35 en los tres procesos
GARCH ajustados
En la tabla 3.8 se recogen los valores del estadı́stico LM , que permiten con-
firmar la ausencia de efecto ARCH en las tres series de residuos Ibex35.
LM p-valor
μ − P GARCH(1, 1, 1) 7.78 0.80
μ − EGARCH(1, 1) 7.31 0.83
μ − T GARCH(1, 1) 7.96 0.78
Tabla 3.8: Contraste LM aplicado a los residuos Ibex35 en los tres procesos
GARCH ajustados
Tabla 3.9: Ordenación según AIC de los procesos ajustados a los retornos diarios
Ibex35 con innovaciones gaussianas
106 Teorı́a de Cópulas y Control de Riesgo Financiero
TGARCH
PGARCH
0.0014
EGARCH
0.0010
0.0006
0.0002
Figura 3.4: Curvas de impacto de noticias de los tres procesos GARCH ajustados
a la serie de retornos logarı́tmicos diarios Ibex35 con innovaciones gaussianas
4
4
2
2
Residuos PGARCH
Residuos EGARCH
0
0
-2
-2
-4
-4
-6
-6
-8
-2 0 2 -2 0 2
0
-2
-4
-6
-2 0 2
1.0
0.06
0.9
0.04
0.8
0.7
0.02
Innovaciones Ibex35
0.6
0.0
0.5
v
-0.02
0.4
0.3
-0.04
0.2
-0.06
0.1
-0.08
0.0
-0.08 -0.04 0.0 0.02 0.04 0.06 0.0 0.2 0.4 0.6 0.8 1.0
Innovaciones DowJones u
z1 , b
Dada la muestra de retornos filtrados (b z2 ), estimamos el parámetro θ de la
cópula C mediante los procedimientos de Genest y Rivest y máxima verosimilitud
canónica (CML), ya descritos y utilizados en el Capı́tulo 2. En el caso CML, el
estimador vendrá dado en esta ocasión por
n
X
θb = arg máxθ∈Θ log L(θ; F1emp (z1i ), F2emp (z2i ))
i=1
Familia de cópulas b
θ AIC λL λU
Modelo1 1.252 ; 1.253 ; 0.498 -652.03 0.1312 0.1297
Modelo 2 1.172 ; 1.022 ; 0.625 -624.72 0.1903 0.1209
Gumbel 1.3355 -561.58 0 0.3195
Gaussiana 0.3926 -512.23 0 0
Clayton 0.5423 -465.63 0.2785 0
Frank 2.4667 -452.04 0 0
Tabla 3.10: Ordenación según AIC de todos los modelos de cópula estimados para
los retornos filtrados DowJones e Ibex35
4
Dependencia en Colas
4.1.1. Chi-plot
El Chi-plot definido por Fisher y Switzer (1985, 2001) está diseñado para ser
un instrumento gráfico sencillo, rápido y útil en la tarea de explorar estructuras
de dependencia bivariante, dependiendo de los datos únicamente a través de los
valores de sus rangos. La información que proporciona complementa la obtenida
de un diagrama de dispersión, en el cual puede resultar difı́cil valorar la pre-
sencia de algún patrón diferente a una relación monótona. Su construcción es la
siguiente:
Sea (X1 , Y1 ), ..., (Xn , Yn ) una muestra aleatoria simple de H, función de dis-
tribución conjunta continua de la v.a. (X, Y ) y sea I(A) la función indicatriz
usual del suceso A . Para cada observación (xi , yi ), sean:
X
Hi = I(Xj ≤ Xi , Yj ≤ Yi )/(n − 1) (4.1)
j6=i
X
Fi = I(Xj ≤ Xi )/(n − 1)
j6=i
X
Gi = I(Yj ≤ Yi )/(n − 1)
j6=i
½µ ¶µ ¶¾
1 1
Si = sign Fi − Gi −
2 2
1
χi = (Hi − Fi Gi ) / {Fi (1 − Fi ) Gi (1 − Gi )} 2
(µ ¶ µ ¶ )
1 2 1 2
λi = 4Si máx Fi − , Gi −
2 2
114 Teorı́a de Cópulas y Control de Riesgo Financiero
(
1 si Xj ≤ Xi
Xij =
0 en otro caso
(
1 si Yj ≤ Yi
Yij =
0 en otro caso
√
para todo j 6= i. Por tanto, −1 ≤ χi ≤ 1, ∀i = 1...n. Además, nχi es la raı́z
cuadrada del estadı́stico chi-cuadrado utilizado tradicionalmente para contrastar
la independencia en la tabla de contingencia generada por los puntos de corte
(Xi , Yi ).
P (X ≤ a1 , Y ≤ a2 ) ≥ P (X ≤ a1 ) P (Y ≤ a2 ) ∀a1 , a2 ∈ R
Por otra parte, Fisher y Switzer (1985, 2001) sugieren que los patrones de
dependencia observados mediante los chi-plots pueden ser útiles para identificar
el modelo de cópula subyacente. Por ejemplo, datos normales bivariantes con
correlación de Pearson positiva, ρ, producen pares (λi , χi ) con χi ≈ ρn cuando
λi ≈ 0.
P (X ≤ a1 , Y ≤ a2 ) = P (X ≤ a1 ) P (Y ≤ a2 )
C(u, v) = uv
C(u, v)
= v
u
C(u, v)
= u
v
Figura 4.2: Chi-plot de los retornos filtrados DowJones e Ibex35 del primer
cuadrante (arriba) y del tercer cuadrante (abajo)
118 Teorı́a de Cópulas y Control de Riesgo Financiero
4.1.2. K-plot
Al igual que los chi-plot, los K-plot (forma abreviada de Kendall-plot), de-
sarrollados por Genest y Boies (2003), también se construyen sobre los rangos
de las observaciones pero, ası́ como los primeros se inspiran en el estadı́stico
chi-cuadrado de independencia, los K-plots utilizan la transformación integral de
probabilidades multivariantes, produciendo un gráfico similar al QQ-plot conven-
cional.
Sea (X1 , Y1 ), ..., (Xn , Yn ) una muestra aleatoria simple de H, función de dis-
tribución conjunta continua de la v.a. (X, Y ). Para construir el K-plot debe
procederse de la siguiente manera:
Por tanto, esta será la elección de K que utilizaremos en (4.2) para calcular los
Wi:n . Obsérvese que K depende únicamente de la cópula asociada con H:
y, por tanto
£ ¤
lim E H(dnpe) = lim Wdnpe:n = K0−1 (p)
n→∞ n→∞
bajo la hipótesis nula de independencia.
(ii) Para un n suficientemente grande, los pares (Wi:n , H(i) ) tienden a con-
¡ ¢
centrarse a lo largo de la curva p → K0−1 (p), K −1 (p) , es decir, los puntos del
k-plot parecerán una representación de w → K −1 (K0 (w)).
(iv) Todos los puntos del gráfico caerán sobre el eje horizontal (p ≡ 0) cuando
X e Y sean contramonotónicas (τ (X, Y ) = −1), ya que K −1 (p) = 0 para todos
los valores posibles de 0 ≤ p ≤ 1.
(v) Todos los puntos del gráfico caerán sobre la curva K0 (p) cuando X e Y
sean comonotónicas (τ (X, Y ) = 1), puesto que K −1 (p) = p sobre el intervalo
[0, 1].
Existe dependencia positiva entre los retornos filtrados ya que los puntos del
gráfico se sitúan en una curva por encima de la diagonal principal. Además, los
K-plots correspondientes a valores de la muestra que se sitúan en el primer y
tercer cuadrante, confirman la presencia de dependencia positiva en ambas colas,
derecha e izquierda, y en los dos casos la curvatura de los gráficos correspon-
dientes es superior a la obtenida para el total de pares integrantes de la muestra
bivariante.
Dependencia en Colas 121
1.0
0.05
Retornos filtrados Ibex35
0.8
0.6
0.0
z
0.4
-0.05
0.2
0.0
-0.08 -0.04 0.0 0.02 0.04 0.06 0.0 0.2 0.4 0.6 0.8 1.0
1.0
0.8
0.8
0.6
0.6
z
z
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
rg(n) rg(n)
En términos generales, existen dos métodos para modelizar los valores ex-
tremos:
Mn − dn
→d H
cn
(
0 si x ≤ 0
Φα (x) = −x−α α>0 (Fréchet)
e si x > 0
( α
e−(−x) si x ≤ 0
Ψα (x) = α>0 (Weibull)
1 si x > 0
−x
Λ(x) = e−e , x∈R (Gumbel)
Obsérvese que la distribución de Fréchet tiene una cola que decae polino-
mialmente y se ajusta bien a distribuciones de colas pesadas, mientras que la de
la distribución Gumbel decae exponencialmente por lo que caracteriza distribu-
ciones de colas delgadas. Finalmente, la distribución Weibull es la distribución
asintótica de distribuciones con punto final finito.
Las cantidades de interés no son los parámetros en sı́ mismos, sino los cuantiles
(también llamados niveles de retorno) de la GEV estimada:
½ µ ¶
−1 1
Rk = Hξ,μ,σ 1−
k
b μ
Sustituyendo ξ, μ y σ por sus estimaciones ξ, byσ b obtenemos
⎧ µ ¶
⎨ μ ¡ ¡ ¢¢−ξe
b k b − σee 1 − − log 1 − k1 si ξ 6= 0
R = ξ
¡ ¡ ¢¢
⎩
b−σ
μ b log − log 1 − k1 si ξ = 0
Definición 4.2
Sea X una v.a. con función de distribución F y punto final por la derecha
xF ≤ ∞. Para un u < xF fijo
Definición 4.3
Se denomina función media de excesos a
e(u) = E [X − u /X > u ]
donde
x ≥ 0 si ξ ≥ 0
1
0 ≤ x≤− si ξ < 0
ξ
donde ⎧
⎨ ³ ´− 1
ξ ξ
1 − 1 + σy si ξ 6= 0
Gξ,σ (y) =
⎩ 1−e
y
−σ
si ξ = 0
para
simplificando
à !− 1
Nu ξb ξe
Fb(x) = 1 − 1 + (x − u) (4.4)
n b
σ
Por otra parte, el modelo GPD para la distribución de excesos sobre el umbral
u tiene una buena propiedad de estabilidad: si tomamos cualquier umbral más
alto, tal como V aRp para p > F (u), la distribución de excesos sobre V aRp es
también GPD con el mismo parámetro de forma, pero diferente parámetro de
escala.(Embretchs Klüpelberg y Mikosch 1997).
Proposición 4.1
si X es una v.a que sigue una GPD, entonces, para todos los enteros r tales
que r < 1ξ , existen los r primeros momentos.
Intervalos de confianza
⎧ ³ ´−ξ ⎛ ³ ´−ξ ⎞− 1ξ −1
⎪
⎪
⎨ ξ + Nn p − 1 ξ + n
p − 1
u ⎜ Nu ⎟
gξ,ESp (y) = ⎝1 + ⎠
⎪
⎪ ξ (1 − ξ) (Esp − u) (1 − ξ) (Esp − u)
⎩
Definición 4.5
Llamamos función muestral media de excesos a
Pn
(xn − u)
en (u) = i=k i k = mı́n {i /xni > u }
n−k+1
con n − k + 1 el número de observaciones que exceden el umbral u.
Por otra parte, según el teorema 4.2, si una distribución GPD resulta un
modelo razonable para los excesos sobre un umbral u0 , entonces los excesos sobre
un umbral más alto u también deben seguir una distribución GPD con el mismo
parámetro de forma. Por tanto, las estimaciones de dicho parámetro ξ deben
ser constantes sobre u0 . En la práctica, las estimaciones de estas cantidades no
resultarán exactamente constantes, pero deben estabilizarse en torno a un valor.
Por tanto, la representación gráfica de las estimaciones ξb frente a distintos valores
de u, junto con los intervalos de confianza para estas cantidades, facilitará la
elección de u0 como el valor más pequeño del umbral para el que las estimaciones
se vuelven aproximadamente constantes.
La figura 4.7 representa estos QQ-plots para los retornos negativos de los
dos ı́ndices. En ambos casos, observamos un distanciamiento de la linearidad,
más acusado en las pérdidas correspondientes al ı́ndice Dow Jones. Por tanto,
el siguiente paso consistirá en determinar el valor más adecuado para el umbral
sobre el que se ajustarán las GPD correspondientes. Para ello, calculamos y
representamos la función media de excesos para las dos series de retornos filtrados
(figura 4.8). Se aprecia una situación similar en los dos gráficos: la función es
134 Teorı́a de Cópulas y Control de Riesgo Financiero
6
Retornos negativos DowJones Retornos negativos Ibex35
6
5
5
4
Exponential Quantiles
Exponential Quantiles
4
3
3
2
2
1
1
0
0
0.02 0.03 0.04 0.05 0.06 0.07 0.02 0.03 0.04 0.05 0.06 0.07 0.08
Figura 4.7: QQ-plots de los retornos negativos DowJones e Ibex35 sobre el umbral
u=0.015 frente a la exponencial
lineal para u < −0.02 y u > 0.02,.por lo que una primera aproximación sobre el
el valor del umbral en ambos casos podrı́a ser u = 0.02.
0.06
0.05
0.04
Media de excesos
Media de excesos
0.04
0.03
0.02
0.02
0.01
-0.06 -0.04 -0.02 0.0 0.02 0.04 0.06 -0.06 -0.02 0.0 0.02 0.04 0.06
Umbral Umbral
Figura 4.8: Función media de excesos para los retornos negativos DowJones e
Ibex35
Una vez determinados los valores de los umbrales, procedemos a obtener las
estimaciones de máxima verosimilitud de los parámetros ξ y σ de las distribu-
ciones GPD correspondientes a las colas de pérdidas en cada uno de los ı́ndices, a
partir de (4.10) . Los resultados obtenidos aparecen en la tabla 4.1. Los valores
entre paréntesis a la derecha de las estimaciones de los parámetros corresponden
a los errores estándar de estimación.
136 Teorı́a de Cópulas y Control de Riesgo Financiero
Umbral
0.00732 0.00819 0.00903 0.00985 0.01100 0.01220 0.01370 0.01600 0.01920 0.02390
0.6
Forma (xi) (IC, p = 0.95)
0.2
-0.2
-0.6
600 559 519 478 438 398 357 317 277 236 196 156 115 75 55 35 15
Excesos
Umbral
0.00965 0.01050 0.01170 0.01270 0.01470 0.01650 0.01880 0.02140 0.02450 0.03120
0.4
Forma (xi) (IC, p = 0.95)
0.0
-0.4
-0.8
600 559 519 478 438 398 357 317 277 236 196 156 115 75 55 35 15
Excesos
Figura 4.9: Estimaciones del valor de ξ como función del umbral u para los
retornos negativos DowJones e Ibex35
DowJones Ibex35
u 0.02 0.02
n 103 208
b b
ξ (se) 0.2859 (0.1283) 0.1491 (0.0828)
b (se)
σ b 0.0055 (0.0088) 0.0076 (0.0008)
% datos>u 96.65 93.24
−max(logveros.) -402.0554 -775.5655
0.0050
1-F(x) (on log scale)
0.6
Fu(x-u)
0.4
0.0005
0.2
0.0001
0.0
0.02 0.04 0.06 0.08 0.10 0.12 0.02 0.04 0.06 0.08 0.10 0.12
x (on log scale) x (on log scale)
12
4
10
GPD Quantiles; xi = 0.2859
3
8
Residuals
6
2
4
1
2
0
0
0.05000
1.0
0.8
0.00500
1-F(x) (on log scale)
0.6
Fu(x-u)
0.4
0.00050
0.2
0.00005
0.0
0.02 0.04 0.06 0.08 0.10 0.12 0.02 0.04 0.06 0.08 0.10 0.12
x (on log scale) x (on log scale)
10
5
8
4
4
2
2
1
0
0 50 100 150 200 0.02 0.03 0.04 0.05 0.06 0.07 0.08
Ordering Ordered Data
gpdDJ.sim
0.05
-0.05
-0.05
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
0.10
residDJ.umbral.sim
residDJ.umbral
0.06
0.06
0.04
0.02
0.02
0 20 40 60 80 100 0 20 40 60 80 100
0.06
0.04
Residuos Ibex35
gpdIb.sim
0.0
0.0
-0.06
-0.06
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
0.08
residIb.umbral.sim
0.06
residIb.umbral
0.05
0.04
0.02
0.02
Dado que las distribuciones GPD trabajan mejor para cuantiles altos y puesto
que el porcentaje de observaciones que caen por debajo del umbral elegido,u =
0.02, es de 96.65%, se han seleccionado como niveles de probabilidad para el
cálculo, tanto del VaR como de ES, p = (0.98, 0.99, 0.995, 0.999) La tabla 4.3
recoge los valores de dichas medidas calculados en el caso normal. Si consid-
eramos, por ejemplo, p = 0.99, la interpretación de los valores obtenidos es la
siguiente: la pérdida diaria del ı́ndice Dow Jones será superior al 2.8% con una
probabilidad del 1%, y si la pérdida diaria es superior al 2.8%, la media de las
pérdidas esperadas será del 3,91% con probabilidad 1%. Por otra parte, si com-
paramos las dos tablas, se observa que para ambas medidas y en todos los niveles
de probabilidad p considerados, se obtienen valores superiores en el caso de colas
estimadas según distribuciones GPD frente al supuesto gaussiano, es decir, el he-
cho de no contemplar el fenómeno de colas pesadas conlleva una subestimación
de la pérdida futura. Obsérvese, también, que esta diferencia aumenta cuanto
más alto es el cuantil considerado.
Por tanto, la pérdida esperada , una vez superado el VaR, tenderá a ser 1.4
veces superior a dicho valor en el caso GPD, mientras que ambas medidas tienden
a igualarse en un supuesto gaussiano.
ESp
p VaRp ICV aRp ;0.95 ESp ICESp ;0.95 VaRp (→p→1 1.40)
0.98 0.0231 [0.0223; 0.0240] 0.0321 [0.0294; 0.0388] 1.3896
0.99 0.0280 [0.0263; 0.0303] 0.0391 [0.0347; 0.0522] 1.3964
0.995 0.0340 [0.0311; 0.0384] 0.0475 [0.0400; 0.0723] 1.3970
0.999 0.0536 [0.0445; 0.0770] 0.0749 [0.0546; 0.1124] 1.3973
ESp
p VaRp ESp VaRp (→p→1 1)
0.98 0.0216 0.0255 1.1805
0.99 0.0244 0.0280 1.1475
0.995 0.0271 0.0304 1.1217
0.999 0.0325 0.0354 1.0892
ESp
p VaRp ICV aRp ;0.95 ESp ICESp ;0.95 VaRp (→p→1 1.17)
0.98 0.0301 [0.0286; 0.0318] 0.0408 [0.0377; 0.0463] 1.3554
0.99 0.0368 [0.0344; 0.0397] 0.0487 [0.0438; 0.0581] 1.3233
0.995 0.0442 [0.0406; 0.0495] 0.0574 [0.0500; 0.0729] 1.2986
0.999 0.0646 [0.0555; 0.0833] 0.0814 [0.0650; 0.1196] 1.2600
ESp
p VaRp ESp VaRp (→p→1 1)
0.98 0.0277 0.0326 1.1768
0.99 0.0314 0.0359 1.1433
0.995 0.0347 0.0389 1.1210
0.999 0.0416 0.0453 1.0889
95
0.0010
99
0.0001
x (escala log)
0.05000
1-F(x) (escala log)
95
0.00100
99
0.00005
Figura 4.13: Estimación de la cola de pérdidas según una GPD. V aR0.99 y ES0.99
con sus correspondientes intervalos de confianza al 95% para los retornos filtrados
DowJones (arriba) e Ibex35 (abajo)
Dependencia en Colas 145
P (R ≤ V aRα ) = α
Consideremos una cartera con dos activos, sean X e Y sus retornos continuos
sobre un horizonte común T y sea β ∈ [0, 1] el peso de X. El retorno de la cartera
es
R = βX + (1 − β)Y
con función de distribución
la cópula permite cambiar las marginales mientras se mantiene fija la cópula (la
familia elegida) o utilizar diferentes familias de cópulas manteniendo fijas las mar-
ginales. Esto permite jugar con situaciones tan diferentes como aquellas en las
que se eliminan los efectos de colas pesadas en las distribuciones marginales con-
siderando retornos distribuidos normalmente (obtendremos valores del VaR más
pequeños en valor absoluto) o aquellas en las que se mantienen estos efectos con-
siderando, por ejemplo, retornos distribuidos según una t de Student. También
es posible suponer independencia entre retornos y utilizar la cópula independen-
cia, con lo que de nuevo queda de manifiesto la gran flexibilidad aportada por la
representación vı́a cópulas.
con
h ³ ´i 1
cGu (u1 , u2 , θ1 ) = (− log u1 )(−1+θ1 ) −1 + θ1 + (− log u1 )θ1 + (− log u2 )θ1
θ1
×
h i −2+ 1
(− log u1 )θ1 + (− log u2 )θ1 (− log u2 )(−1+θ1 ) ×
θ1
∙ ³ ´1 ¸−1
exp (− log u1 )θ1 + (− log u2 )θ1 1 × u1 × u2
θ
y
θ1 = 1.252 , θ2 = 1.253 , θ3 = 0.498
Análogamente, la función de densidad conjunta para el Modelo 2 viene dada por
cMod2 (u1 , u2 , θ10 , θ20 , θ30 ) = θ30 × cGu (u1 , u2 , θ10 ) + (1 − θ30 ) × cCl (u1 , u2 , θ20 )
con
à ! −2− θ10
¡ ¢ (−1−θ20 ) (−1−θ20 ) 1 1 2
cCl (u1 , u2 , θ20 ) = 1 + θ20 u1 u2 −1 + θ0 + θ0
u12 u22
150 Teorı́a de Cópulas y Control de Riesgo Financiero
y
θ10 = 1.172 , θ20 = 1.022 , θ30 = 0.625
0.8
1.0
0.6
Femp(u/v)
f(u/v)
0.4
0.5
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
u u
0.8
1.5
0.6
1.0
Femp(u/v)
f(u/v)
0.4
0.5
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
u u
Mediante el método Montecarlo, simulamos los valores Xsim e Ysim , que pro-
¡ ¢
ducirán la muestra aleatoria bidimensional final xisim , ysim
i , a partir de las GPD
ajustadas anteriormente a las distribuciones de pérdidas marginales DowJones e
Dependencia en Colas 151
VaRp ESp
p Modelo 1 Modelo 2 Normal Modelo 1 Modelo 2 Normal
0.98 0.0203 0.0127 0.0215 0.0259 0.0158 0.0286
0.99 0.0252 0.0149 0.0256 0.0294 0.0180 0.0339
0.995 0.0273 0.0170 0.0296 0.0326 0.0198 0.0400
0.999 0.0349 0.0210 0.0451 0.0417 0.0243 0.0582
• Entonces
U = Φ (u1 )
V = Φ (u2 )
ES 0.99
VaR 0.99
0.04
0.0
-0.04
ES 0.99
VaR 0.99
0.01
0.0
-0.02
Figura 4.16: Violaciones al V aR0.99 de los retornos simulados según los dos
modelos mixtos.
Dependencia en Colas 153
Modelo 1 Modelo 2
u 0.01 0.01
n 323 147
b b
ξ (se) 0.01085 (0.06318) 0.00152 (0.0943)
b (se)
σ b 0.00568 (0.000478) 0.00304 (37 × 10 − 4)
% datos>u 88.85 95.1
−max(logveros.) -1343.558 -704.7064
0.015
0.04
Media de excesos
Media de excesos
0.03
0.010
0.02
0.005
0.01
-0.06 -0.04 -0.02 0.0 0.02 -0.02 -0.01 0.0 0.01 0.02
Umbral Umbral
Umbral
0.2 0.00651 0.00715 0.00797 0.00867 0.00947 0.01040 0.01150 0.01350 0.01590 0.02080
Forma (xi) (IC, p = 0.95)
0.0
-0.2
-0.4
-0.6
600 559 519 478 438 398 357 317 277 236 196 156 115 75 55 35 15
Excesos
Umbral
0.00566 0.00612 0.00660 0.00705 0.00757 0.00809 0.00881 0.00950 0.01070 0.01290
0.4
Forma (xi) (IC, p = 0.95)
0.2
0.0
-0.4
600 559 519 478 438 398 357 317 277 236 196 156 115 75 55 35 15
Excesos
Figura 4.18: Estimaciones del valor de ξ como función del umbral u para los
retornos negativos de la cartera DowJones&Ibex35 generados según los modelos
mixtos de cópulas
Los gráficos 4.19 y 4.20 permiten afirmar que las dos distribuciones se ajustan
razonablemente a las colas de pérdidas de los retornos de la cartera generados a
partir de los dos modelos mixtos.
Dependencia en Colas 155
0.10000
1.0
0.8
0.00100
Fu(x-u)
0.4
0.2
0.00001
0.0
0.01 0.02 0.03 0.04 0.06 0.01 0.02 0.03 0.04 0.06
6
5
Exponential Quantiles
5
4
Residuals
4
3
3
2
2
1
1
0
1.0
0.8
0.00100
0.6
Fu(x-u)
0.4
0.00001
0.2
0.0
5
Exponential Quantiles
4
4
Residuals
3
3
2
2
1
1
0
0
ESp
p VaRp ICV aRp ;0.95 ESp ICESp ;0.95 VaRp → 1, 01
0.98 0.0198 [0.0188; 0.0210] 0.025 [0.0240; 0.0283] 1.2626
0.99 0.0238 [0.0224; 0.0256] 0.0297 [0.0273; 0.0339] 1.2478
0.995 0.0279 [0.0260; 0.0308] 0.0338 [0.0306; 0.0402] 1.2114
0.999 0.0374 [0.0334; 0.0454] 0.0435 [0.0372; 0.0574] 1.1631
Tabla 4.8: Estimaciones puntuales e intervalos de confianza al 95% para las me-
didas de riesgo de la cartera según una GPD(ξb = 0.01085; σ
b = 0.00568) (Modelo
1)
ESp
p VaRp ICV aRp ;0.95 ESp ICESp ;0.95 VaRp → 1, 001
0.98 0.0127 [0.0122; 0.0132] 0.0157 [0.0149; 0.0169] 1.2362
0.99 0.0148 [0.0140; 0.0157] 0.0178 [0.0167; 0.0199] 1.2027
0.995 0.0169 [0.0159; 0.0183] 0.0200 [0.0184; 0.0233] 1.1834
0.999 0.0218 [0.0198; 0.0261] 0.0249 [0.0217; 0.0334] 1.1422
Tabla 4.9: Estimaciones puntuales e intervalos de confianza al 95% para las me-
didas de riesgo de la cartera según una GPD(ξb = 0.00152; σ
b = 0.00304) (Modelo
2)
ES
Se puede observar que la razón VaRpp converge a valores próximos a 1 en
los dos modelos, lo cual era de esperar dado que las estimaciones del parámetro
de forma en la distribuciones GPD ajustadas toma valores próximos a cero en
ambos casos (ξbMod1 = 0.01085, ξbMod2 = 0.00568). Recordemos también, que
la cópula gaussiana no era una mala opción en términos de AIC (tabla 2.4)
aunque no contemplaba la dependencia en colas presente en nuestra muestra
bivariante. De ahı́, que si comparamos las estimaciones de las medidas de riesgo
calculadas para los retornos procedentes de los modelos mixtos (tablas 4.8 y 4.9)
con las obtenidas a partir de la cópula gaussiana (tabla 4.6), en todos los casos
esta última proporciona valores superiores para todos los niveles de probabilidad
considerados.
5
Puesto que a lo largo de este estudio hemos prestado una especial atención
a la dependencia bivariante localizada en colas, trataremos de dotar al mo-
delo paramétrico de cópula elegido de una estructura dinámica, relacionando su
parámetro identificativo con alguna medida de dependencia local, que establezca
dicha dependendencia como una propiedad de la cópula misma. Un candidato
idóneo para esta tarea resulta ser el coeficiente de dependencia en colas (TDC),
definido en la Sección 1.8 del Capı́tulo 1, ya utilizado anteriormente a lo largo de
diversos desarrollos, para el que se propondrá un modelo de evolución temporal
adecuado.
toda la información disponible sobre los retornos de ambos ı́ndices hasta el ins-
tante t.
λU = θ3 (2 − 21/θ1 ) (5.2)
F1−1 , ..., Fn−1 denotan las correspondientes inversas generalizadas de las fun-
n
ciones de distribución marginales F1 , ..., Fn y R+ := [0, ∞]n r {(∞, ..., ∞)}.
donde los ı́ndices {1} y {2} pueden obviarse. Tendremos que ΛU (x, ∞) = x y
ΛL (x, ∞) = x para todo x ∈ R+ .
λL = ΛL (1, 1)
1 − 2v + C(v, v) ³ ³ x y ´´
λU = lim y ΛU (x, y) = x + y − lim t 1 − C 1 − , 1 −
v→1− 1−v t→∞ t t
Cn (u, v) = Fn (G−1 −1
n (u), Hn (v)) (u, v)0 ∈ [0, 1]2
X n
en (u, v) = 1
C I{Gn (X (j) )≤u y Hn (Y (j) )≤v} (u, v) ∈ [0, 1]2
n
j=1
bU,n = Λ
λ b U,n (1, 1) (5.5)
bL,n = Λ
λ b L,n (1, 1) (5.6)
164 Teorı́a de Cópulas y Control de Riesgo Financiero
Puesto que las estimaciones del VaR son altamente sensibles al compor-
tamiento de las colas y, en concreto, a la dependencia en colas presente en la
distribución de retornos de la cartera, la elección del umbral k vendrá deter-
minada por el nivel p del VaR correspondiente. Recordemos que el cálculo del
coeficiente de dependencia en la cola inferior es equivalente a:
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0.0
0.0
0 10 20 30 0 10 20 30
Cuatrimestre Cuatrimestre
0,5
0,4
0,4
0,3
0,3
0,2
0,2
0,1 0,1
0,0 0,0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37
Cuatrimestre Cuatrimestre
5.5
Theta1
Theta2
5.0
4.5
4.0
3.5
3.0
2.5
2 4 6 8 10 12 14
Cuatrimestre
Figura 5.3: Evolución temporal de los parámetros θ1 y θ2 del modelo mixto Gum-
bel&Gumbel supervivencia
0.0205
0.02038
0.026
0.0195
0.02523
VaR 0.98
VaR 0.99
0.024
0.0185
0.022
0.0175
2 4 6 8 10 12 2 4 6 8 10 12
Cuatrimestre Cuatrimestre
0.06
0.030
VaR 0.995
VaR 0.999
0.05
0.02733
0.04
0.026
0.03492
0.03
2 4 6 8 10 12 2 4 6 8 10 12
Cuatrimestre Cuatrimestre
Figura 5.4: Predicciones del VaR a un horizonte de 4 años para diferentes niveles
de probabilidad, según el Modelo 1 con estructura dinámica (la lı́nea discontinua
corresponde al VaR obtenido a partir del modelo estático)
170 Teorı́a de Cópulas y Control de Riesgo Financiero
0.040
0.032
0.036
ES 0.98
ES 0.99
0.028
0.032
0.02600
0.02943
0.028
0.024
2 4 6 8 10 12 2 4 6 8 10 12
Cuatrimestre Cuatrimestre
0.050
0.07
0.045
0.06
ES 0.995
ES 0.999
0.040
0.05
0.035
0.04
0.04178
0.03267
2 4 6 8 10 12 2 4 6 8 10 12
Cuatrimestre Cuatrimestre
Conclusiones y Problemas
abiertos
y a los que esperamos poder dedicar tiempo y esfuerzo en el futuro tales como:
[2] Artzner, P.; Delbaen, F.; Eber, J. y Heath, D. (1999): Coherent Measures
of Risk.Mathematical Finance 9, 203-288.
[10] Bollerslev, T., Engle, R.F. y Nelson, D. B. (1994): ARCH Models. In Hand-
books of Econometrics. (Eds. Engle, R.F. y McFadden, D. L.). Vol 4, Elsevier
Science B.V.
176 Teorı́a de Cópulas y Control de Riesgo Financiero
[20] Ding, Z., Granger, C. W. J. y Engle, R.F. (1993): A Long Memory Property
of Stock Market of Returns and A New Model. Journal of Empirical Finance,
1: 83-106.
[23] Engle, R. F. y Ng, V. (1993): Measuring and Testing the Impact of News on
Volatility. Journal of Finance, 48 (5): 1749-1778.
BIBLIOGRAFÍA 177
[32] Fisher, N. I.y Switzer, P. (1985): Chi-plot for Assessing Dependence. Bio-
metrika 72 (2):253-265
[36] Fréchet, M (1957): Les Tableaux de Corrélation Dont Les Marges Sont
Données.Annals Univ. Lyon, Sci., 20:13-31.
178 Teorı́a de Cópulas y Control de Riesgo Financiero
[37] Frees, E.W. y Valdez, E.A. (1998): Understanding Relationships Using Co-
pulas. North Amer. Act. J. 2:1-25.
[41] Genest, C., Mckey, J. (1986): The Joy of Copulas: Bivariate Distributions
With Uniform Marginals. American Statistics, 40: 280-285.
[42] Genest, C., Rivest, L.-P. (1993): Statistical Inference Procedures for Bivari-
ate Archimedian Copulas. Journal of the American Statistical Association,
88 (423): 1034-1043.
[44] Genest, C., Boies, J.-C. (2003): Detecting dependence with Kendall plots.
The American Statistician, 57, 275-284.
[46] Genest, C. y Favre, A.-C. (2006): Everything You Always Wanted Know
About Copula Modelling But Were Afraid to Ask. Journal of Hydrologic En-
gineering, 12. Próxima publicación.
[59] Krause, A. y Olson, M. (2002): The Basics of S-Plus. Springer. New York.
[60] Kwiatkowski, D., Phillips, P., Schmidt, P. y Shin, Y. (1992): Testing the Null
Hypotesis of Stationary Against The Alternative of A Unit Root. How Sure
Are We That Economic Series have A Unit Root?. Journal of Econometrics,
54: 159-178.
[61] Lawley, D.N. (1956): A General Method for Approximating to the Distribu-
tion of Likelihood Ratio Criteria. Biometrica, 43: 295-303.
180 Teorı́a de Cópulas y Control de Riesgo Financiero
[63] Longin, F. (1977a): From Value at Risk To Stress Testing, The Extreme
Value Approach. Discussion Paper 97-004. CERESSEC.
[64] Longin, F. (1977b): Beyond The VaR. Discussion Paper 97-011. CER-
ESSEC.
[68] McNeil, A. (1998): Calculating Quantile Risk Measures for Financial Return
Series Using Extreme Value Theory. Preprint. ETH Zürich.
[80] Shih, J.H. y Louis, T.A. (1995): Inferences on the Association Parameter in
Copula Models for Bivariate Survival Data. Biometrics, 51: 1384-1399.
[85] Smith, R. (2002): Risk management: Value at Risk and Beyond. Cambridge
U.P.
[87] Tajvidi, N. (2004): Confidence Intervals and Accuracy Estimation for Heavy-
Tailed Generalized Pareto Distributions. Extremes 6: 111-123. Kluwer Aca-
demic Publishers. Netherlands.
[92] Zivot, E. y Wang, J. (2003) Modeling Financial Time Series With S-Plus.
Springer-Verlag.
Relación de Procedimientos
También señalar, que han sido de gran ayuda los textos de Carmona (2004),
Krause y Olson (2002), Venables y Ripley (2002) y Zivot y Wang (2003).
Capı́tulo 2:
• Retornos.scc
• Cópula empı́rica.scc
empiric.df <-function(data,x)
tail.index.empirical.copula <-function(copula)
• Estimación Genest-Rivest.scc
varW.2 <-function(y)
• Estimación CML.scc
N.cl
M.cl
sd.cl
N.frank
M.frank
sd.frank
3
N.gumbel
M.gumbel
sd.gumbel
N.normal
M.normal
sd.normal
sum1
duv.mix <-function(u,v,par1)
ti.low.mix
ti.up.mix1
du.g
du.gs
du.g2
4 Teorı́a de Cópulas y Control de Riesgo Financiero
du.c2
Capı́tulo 3:
• Filtrado GARCH-DowJones.scc
• Filtrado GARCH-Ibex35.scc
Capı́tulo 4:
• Dependencia en colas.scc
chi.plot.ur function(datos)
chi.plot.ll function(datos)
gpdDJ.sim
gpdIb.sim
residDJ.umbral
residDJ.umbral.est
residIb.umbral
residIb.umbral.est
• Densidades.scc
fxy.mod1<-function(x,y,a,b,c)
fxy.mod2<-function(x,y,a2,b2,c2)
generación.mod1
generación.mod2
5
muestra.mod1.3000
muestra.mod2.3000
vi.m1
vi.m2
Risk.portf.normal
icm1.var
icm1.es
icm2.var
icm2.es
Capı́tulo 5:
• Cópula dinámica.scc
lambda.sup<-function(x.rank,y.rank)
muestra.mod1.2000
risk.m1.2000